[论文解读] An Improved ACS Algorithm for the Solutions of Larger TSP Problems

Md. Rakib Hassan, Md. Kamrul Hasan+1 more|arXiv (Cornell University)|Apr 13, 2013

Metaheuristic Optimization Algorithms Research参考文献 8被引用 4

一句话总结

本文提出红黑蚁群系统（RB-ACS），一种增强型ACS算法，通过将蚁群优化与受遗传算法启发的并行搜索机制相结合，更高效地求解大规模旅行商问题（TSP）。RB-ACS在基准实例上的表现显著优于现有算法，展现出更快的收敛速度和更优的解质量。

ABSTRACT

Solving large traveling salesman problem (TSP) in an efficient way is a challenging area for the researchers of computer science. This paper presents a modified version of the ant colony system (ACS) algorithm called Red-Black Ant Colony System (RB-ACS) for the solutions of TSP which is the most prominent member of the combinatorial optimization problem. RB-ACS uses the concept of ant colony system together with the parallel search of genetic algorithm for obtaining the optimal solutions quickly. In this paper, it is shown that the proposed RB-ACS algorithm yields significantly better performance than the existing best-known algorithms.

研究动机与目标

• 为解决大规模旅行商问题（TSP）这一典型的组合优化问题，实现高效求解。
• 在大规模TSP实例上，提升标准蚁群系统（ACS）算法在解质量与收敛速度方面的性能。
• 将遗传算法的原理——特别是并行搜索与基于种群的探索——整合到ACS框架中，以增强全局搜索能力。
• 开发一种混合元启发式算法，融合蚁群优化与进化计算的优势，用于求解大规模组合优化问题。

提出的方法

• RB-ACS算法引入红黑策略对搜索空间进行划分，使具有不同角色的多只人工蚁能够并行探索。
• 通过融合局部最优与全局最优解信息，改进信息素更新规则，提升向最优或近似最优TSP路径收敛的能力。
• 采用受遗传算法启发的基于种群的机制，保持蚂蚁解的多样性，避免过早收敛。
• 蚂蚁被分配至红色或黑色组，每组具有不同的探索与开发行为，实现在解空间中的协同且并行的搜索。
• 信息素更新机制通过优先选择高质量解并定期重新初始化以保持多样性，动态平衡探索与开发。
• 通过巡回长度评估解质量，并借助多代蚂蚁构建与信息素强化机制，迭代优化解。

实验结果

研究问题

• RQ1 将遗传算法启发的并行搜索机制整合到蚁群系统中，能否提升其在求解大规模TSP实例时的性能？
• RQ2 红黑划分策略在大规模TSP问题中对解质量与收敛速度有何影响？
• RQ3 在解精度与运行时间方面，所提出的混合RB-ACS算法在多大程度上优于标准ACS及其他最先进的TSP求解器？
• RQ4 所提出的方法是否在加速收敛至最优或近似最优TSP路径的同时，保持了解的多样性？

主要发现

• RB-ACS算法在大规模TSP基准测试中，解质量显著优于标准ACS及其他现有算法。
• 将遗传算法启发的并行搜索机制整合后，提升了蚁群系统的探索能力，降低了陷入局部最优的风险。
• 红黑策略通过允许同时协同探索解空间中的多个区域，实现了更快的收敛速度。
• 实验结果表明，RB-ACS在大规模TSP实例上显著降低了平均巡回长度，并在多次运行中表现出更高的稳定性。
• 该算法在基准数据集上表现出稳健性能，其解质量与计算效率均优于以往的最佳已知解。